Fehlende Anpassung und Tests auf fehlende Anpassung

Was ist eine fehlende Anpassung?

Ein Regressionsmodell zeigt eine fehlende Anpassung, wenn es die funktionale Beziehung zwischen den experimentellen Faktoren und der Antwortvariablen nicht adäquat beschreibt. Eine fehlende Anpassung kann auftreten, wenn wichtige Terme, z. B. Wechselwirkungen und quadratische Terme, nicht in das Modell eingebunden sind. Eine fehlende Anpassung kann außerdem auftreten, wenn durch das Anpassen des Modells mehrere ungewöhnlich große Residuen entstehen.

Test auf fehlende Anpassung in Minitab

Minitab zeigt den Test auf fehlende Anpassung an, wenn die Daten Replikationen (mehrere Beobachtungen mit identischen x-Werten) enthalten. Replikationen stellen „reine Fehler“ dar, da Unterschiede zwischen den beobachteten Werten der Antwortvariablen nur durch zufällige Streuung verursacht werden können.

Um zu ermitteln, ob das Modell genau an die Daten angepasst ist, vergleichen Sie den p-Wert mit dem Signifikanzniveau. In der Regel ist ein Signifikanzniveau (auch als Alpha oder α bezeichnet) von 0,05 gut geeignet. Wenn α den Wert 0,05 aufweist, schlussfolgern Sie mit einer Wahrscheinlichkeit von lediglich 5 %, dass das Modell nicht an die Daten angepasst ist, wenn dies tatsächlich der Fall ist.

p-Wert < α: Das Modell ist nicht an die Daten angepasst: Wenn der p-Wert kleiner oder gleich α ist, können Sie daraus schließen, dass das Modell nicht genau an die Daten angepasst ist. Um ein besseren Modell zu erhalten, müssen Sie möglicherweise Terme hinzufügen oder die Daten transformieren.
p-Wert > α: Es gibt keine Anzeichen dafür, dass das Modell nicht an die Daten angepasst ist: Wenn der p-Wert größer als α ist, können Sie nicht schlussfolgern, dass das Modell nicht genau an die Daten angepasst ist.